一种基于语义分割的饼图图数转化方法技术

本发明专利技术旨在提供一种基于语义分割的饼图图数转化方法，它是一种基于计算机视觉和深度学习并将饼图转换为数据的方法，提高了数据的复用性。它可以用于深度学习、大数据和人工智能等领域。本发明专利技术创新地提出了语义分割的饼图图数转化方法，不同于手动图数转化效率低下，需要大量人力，可操作性较低，本发明专利技术实现了全自动饼图的图数转化，应用范围广，使用门槛低，有较大的应用价值和市场前景。有较大的应用价值和市场前景。有较大的应用价值和市场前景。

【技术实现步骤摘要】
一种基于语义分割的饼图图数转化方法


[0001]本专利技术涉及图数转化
，特别是涉及一种基于语义分割的饼图图数转化方法。

技术介绍

[0002]在生活中，有很多以图表形式呈现的数据，如股权图、销售占比图等，但是人们往往难以提取图表中的数据。对于饼图来说，由于手动图数转化效率低下，需要大量人力，可操作性较低。
[0003]基于上述考虑，本专利技术提供了一种基于语义分割的饼图图数转化方法，实现了全自动饼图的图数转化。

技术实现思路

[0004]为了解决以上问题，本专利技术提供了一种基于语义分割的饼图图数转化方法，它是一种基于计算机视觉和深度学习并将饼图转换为数据的方法，提高了数据的复用性。本专利技术主要通过使用计算机视觉库OpenCV、图像处理库PIL、科学计算库Numpy和深度学习框架Pytorch来实现。本专利技术使用了大量数据训练模型，大大提高了算法的鲁棒性。
[0005]为了实现上述目的，本专利技术提供如下技术方案。
[0006]一种基于语义分割的饼图图数转化方法包含以下三个步骤：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义分割的饼图图数转化方法包含以下三个步骤：步骤一：制作饼图语义分割数据集；步骤二：训练饼图语义分割模型；步骤三：计算面积占比；所述步骤二中饼图语义分割模型，包括如下步骤：(1)网络模型设计基于语义分割的网络，其网络构造为首先通过U
‑
Net提取不同尺度的语义特征，再对各个尺度的语义特征进行空洞卷积进一步提取特征，最后将各个尺度空洞卷积特征融合，得到预测图P
s
，完成语义分割，具体实施步骤为：(1.1)设计基于U
‑
Net的不同尺度语义特征的提取网络，目的是提取训练图像T
a
不同尺度的语义特征。本发明使用的U
‑
Net有五种不同的尺度，分别是训练图像T
a
尺寸的1倍、1/2倍、1/4倍、1/8倍和1/16倍。该五种不同尺度的网络中每一层的输出特征为U1，U2，U3，U4，U5；(1.2)用膨胀因子分别为3、5、7的三个空洞卷积对U1，U2，U3，U4，U5进一步提取特征，得到空洞卷积特征D1，D2，D3，D4，D5；(1.3)将空洞卷积特征D1，D2，D3，D4，D5经过反卷积放大到和训练图像T
a
相同的尺寸，再堆叠起来并经过1
×
1的卷积核降维和Sigmoid归一化得到预测图P
s
。Sigmoid归一化公式如下：(2)损失函数设计网络模型输出的预测图P
s
为训练图像T
a
预测的语义分割图，预测图P
s
受损失函数L和语义分割图B
s
的约束：其中P
i
表...

【专利技术属性】
技术研发人员：周其当，吕金龙，刘春晓，柴建宇，
申请(专利权)人：周其当，
类型：发明
国别省市：